D-FINE is a powerful real-time object detector that redefines the bounding box regression task in DETRs as Fine-grained Distribution Refinement (FDR) and introduces Global Optimal Localization Self-Distillation (GO-LSD), achieving outstanding performance without introducing additional inference and training costs.

2024年10月18号，中科大推出了 D-FINE，这是一款功能强大的实时物体 检测器，通过重新定义 DETR 模型 中的 边界框 回归任务实现了出色的定位精度。 D-FINE 包含两个关键 组件：细粒度分布细化 (FDR) 和全局最优定位自蒸馏 (GO-LSD)。 FDR 将回归过程从预测固定坐标转变为迭代细化概率分布，从而提供细粒度的中间表示，显著提高定位精度。 GO-LSD是一种双向优化策略，它通过自蒸馏将定位知识从细化分布转移到较浅的层，同时还简化了较深层的残差预测任务。 …

2024年10月17日 · We introduce D-FINE, a powerful real-time object detector that achieves outstanding localization precision by redefining the bounding box regression task in DETR models. D-FINE comprises two key components: Fine-grained Distribution Refinement (FDR) and Global Optimal Localization Self-Distillation (GO-LSD).

在快速发展的实时目标检测领域， D-FINE 作为一项革命性的方法，显著超越了现有模型（如 YOLOv10 、 YOLO11 及 RT-DETR v1/v2/v3），提升了实时目标检测的性能上限。 经过大规模数据集 Objects365 的预训练， D-FINE 远超其竞争对手 LW-DETR，在 COCO 数据集上实现了高达 59.3% 的 AP，同时保持了卓越的帧率、参数量和计算复杂度。 这使得 D-FINE 成为实时目标检测领域的佼佼者，为未来的研究奠定了基础。 目前，D-FINE 的所有代码、权重、日志、编译工 …

我们介绍 D-FINE，一种强大的实时目标检测器，通过重新定义 DETR 模型中的边界框回归任务来实现卓越的定位精度。 D-FINE 包含两个关键组件： 细粒度分布细化 (FDR) 和 全局最优定位自蒸馏 (GO-LSD)。 FDR 将回归过程从预测固定坐标转变为迭代细化概率分布，提供了一种细粒度的中间表示，显着提高了定位精度。 GOLSD 是一种双向优化策略，通过自蒸馏将精炼的分布中的定位知识传递到更浅层的网络，同时简化了更深层网络的残差预测任务。 此外，D-FINE 在计算密 …

2024年10月18日 · D-FINE 是一个强大的实时目标检测器，将 DETR 中的边界框回归任务重新定义为了细粒度的分布优化（FDR），并引入全局最优的定位自蒸馏（GO-LSD），在不增加额外推理和训练成本的情况下，实现了卓越的性能。 我们分别使用 D-FINE 和 YOLO11 对 YouTube 上的一段复杂街景视频进行了目标检测。 尽管存在逆光、虚化模糊和密集遮挡等不利因素，D-FINE-X 依然成功检测出几乎所有目标，包括背包、自行车和信号灯等难以察觉的小目标，其置信度、以 …

2024年11月11日 · Dfine2 for mac是一款专业图像降噪工具，几乎所有的数码相机都会产生细微的噪点，尤其是在弱光条件下拍摄的图像，使你的图片细节出现缺陷。 使用 Dfine 2 for mac激活版，可轻松地降低噪点，平衡色彩和光线，而不会使图像变软或变质。

2024年10月31日 · 不同于传统的固定坐标预测，D-FINE 创新了两种方法：细粒度分布优化 (FDR) 和全局最优定位自蒸馏 (GO-LSD)。 通过将回归任务转化为细粒度的分布优化任务，D-FINE 不仅显著简化了优化难度，还能够更精确地建模每条边界的不确定性。 此外，D-FINE 将定位知识 (Localization Knowledge) 融入到 模型 输出，通过高效的自蒸馏策略在各层共享这些知识，因而在不增加额外训练成本的前提下，实现了性能的进一步显著提升。

2024年11月1日 · 我们介绍了D-FINE，一个强大的实时对象检测器，它通过重新定义DETR模型中的包围盒回归任务来实现出色的定位精度。 D-FINE包括两个关键部分:细粒度分布优化 (FDR)和全局最优局部自蒸馏 (GO-LSD)。 FDR将回归过程从预测固定坐标转换为迭代优化概率分布，提供了一种细粒度的中间表示，显著提高了定位精度。 GO-LSD是一种双向优化策略，通过自蒸馏将定位知识从精细分布转移到较浅层，同时还简化了较深层的残差预测任务。 此外，D-FINE在计算 …

D-FINE 在 COCO 数据集 上以 78 FPS 的速度取得了 59.3% 的平均精度 (AP)， 远超 YOLOv10 、YOLO11、 RT-DETR v1/v2/v3 及 LW-DETR 等竞争对手，成为实时目标检测领域新的领跑者。 目前，D-FINE 的所有代码、权重以及工具已开源，包含了详细的预训练教程和自定义数据集处理指南。 FDR (Fine-grained Distribution Refinement) 将检测框的生成过程分解为：1. 初始框预测：与传统 DETR 方法类似，D-FINE 的解码器会在第一层将 Object Queries 转换为若干个初始边界 …